Vlastný (prispôsobený) GPT je dnes skôr spektrum možností než jedna konkrétna technika. Niekedy vám stačí pár správne napísaných inštrukcií a šablón, inokedy potrebujete, aby asistent odpovedal podľa vašich materiálov, a pri náročnejších scenároch chcete, aby vedel vykonať akcie v systémoch alebo sa správal stabilne pri veľmi špecifickej úlohe. Práve preto je na začiatku užitočné urobiť si poriadok v tom, čo ľudia pod pojmom „vlastný GPT“ vlastne myslia.

V praxi sa najčastejšie miešajú dve veci. Prvá je vytvorenie vlastného GPT priamo v ChatGPT (bez kódu) – nastavíte rolu, tón, pravidlá a pridáte dokumenty, z ktorých má čerpať. Druhá je budovanie vlastného asistenta cez API – teda riešenie, ktoré je súčasťou webu alebo aplikácie, má vlastnú logiku, integrácie, monitoring a často aj vyhľadávanie v databáze dokumentov (RAG). Obe cesty sú legitímne, ale hodia sa na odlišné ciele.

Aby ste sa vyhli zbytočným nákladom a prekomplikovaniu, oplatí sa riadiť jednoduchým pravidlom: začnite najľahším riešením, ktoré má šancu splniť cieľ, a pridávajte komplexitu až vtedy, keď máte dôkaz, že je to potrebné. V praxi to znamená: najskôr dobré inštrukcie a šablóny, potom doplnenie znalostí cez RAG, a až napokon (len v niektorých prípadoch) fine-tuning.

Ako si vybrať správny prístup (bez technického balastu)

Väčšina projektov sa dá rozhodnúť podľa jednej otázky: Potrebujem najmä lepší štýl a konzistentnosť, alebo potrebujem, aby model pracoval s konkrétnymi znalosťami? Aby sa v tom dalo rýchlo zorientovať, pomôže krátky kompas:

• Chcem konzistentný štýl a formát odpovedí → začnite promptovaním a šablónami.
• Chcem, aby odpovede vychádzali z našich dokumentov → zvoľte RAG (vyhľadávanie v dokumentoch).
• Chcem stabilný výkon na úzkej, opakovateľnej úlohe → zvážte fine-tuning.
• Chcem, aby asistent vykonal akciu v systéme → potrebujete nástroje/integrácie (tool-calling).

Ak vám ide o konzistentný tón, formát odpovedí a „správanie asistenta“, typicky stačí promptovanie. V praxi to znamená jasnú rolu, hranice a výstupný formát.

Ak potrebujete odpovedať podľa vlastných materiálov (sylaby, interné pravidlá, metodiky, FAQ), najčastejšie vyhráva RAG. Je to praktické, pretože keď sa materiály zmenia, nepretrénovávate model – aktualizujete zdroje.

Fine-tuning má zmysel najmä vtedy, keď máte opakujúcu sa úlohu so stabilným vzorom výstupu – napríklad klasifikáciu, extrakciu do presnej štruktúry alebo veľmi špecifický štýl, ktorý sa nedarí dosiahnuť inštrukciami.

A ak chcete, aby asistent niečo reálne vykonal (napríklad vyhľadal dáta v systéme, vytvoril záznam v LMS/CRM, pripravil report), potrebujete nástroje a integrácie.

Čo zvyčajne stačí: kvalitné inštrukcie a šablóny

Najviac podceňovaná časť „vlastného GPT“ je schopnosť správne nastaviť správanie. Veľa ľudí začne tréningom alebo integráciami, hoci problém je v skutočnosti v tom, že model nemá jasné pravidlá.

Dobré inštrukcie majú tri vrstvy. Najprv určujú, pre koho asistent píše a aký má mať tón. Potom definujú, ako má vyzerať výstup (napríklad krátke zhrnutie a až potom detail). A napokon určujú, čo má urobiť, keď nemá dosť informácií – či má položiť doplňujúcu otázku, ponúknuť možnosti alebo priznať neistotu.

Šablóny často urobia väčší rozdiel než „lepšie modely“. Ak napríklad chcete, aby odpoveď mala konzistentnú didaktickú formu, dajte mu túto formu priamo. Tým znížite náhodnosť a zvýšite čitateľnosť.

Postup A: Vlastný GPT v ChatGPT (bez kódu) – rýchly pilot

Ak chcete rýchlo overiť hodnotu riešenia, začnite v prostredí ChatGPT. Táto cesta je vhodná, keď testujete koncept, školíte tím, alebo potrebujete interného asistenta, ktorý bude pracovať s vašimi materiálmi.

Aby bol pilot prehľadný a zároveň ľahko udržateľný, držte sa jednoduchého postupu:

• Ujasnite si účel a hranice (čo má robiť, čo nemá robiť, kedy má priznať neistotu).
• Vložte šablóny výstupu (napr. najprv stručný prehľad, potom detail s príkladmi).
• Pridajte znalosti (dokumenty), ideálne upratané a členené.
• Otestujte na reálnych otázkach (20–30 bežných + pár zámerne nejasných alebo protichodných).
• Zaveďte jednoduché pravidlá údržby (kto aktualizuje dokumenty, ako sa riešia chyby, čo sa loguje).

Pri dokumentoch pomáha, keď sú členené na krátke odseky, majú dobré nadpisy a neobsahujú zbytočný šum. Pilot bez testov je len dojem – najväčší skok v kvalite býva práve po prvom kole testovania a úprav.

Postup B: Vlastný asistent cez API – keď z toho má byť systém

Akonáhle chcete riešenie nasadiť ako súčasť webu alebo aplikácie, potrebujete architektúru. V typickom prípade to vyzerá takto: frontend pošle otázku → backend pridá kontext a pravidlá → systém vyhľadá v dokumentoch (ak treba) → model odpovie → prípadne zavolá nástroje → odpoveď sa vráti používateľovi a zaznamená sa do logov.

Aby sa projekt nerozpadol na „veľa dielikov bez výsledku“, pomáha mať jasno v troch rozhodnutiach:

• Zdroj pravdy: dokumenty (RAG) vs dáta v systémoch (tool-calling) vs špecifický výstupný vzor (fine-tuning).
• Pravidlá odpovedí: kedy má model povedať „neviem“, kedy sa má pýtať, kedy má citovať zdroj.
• Bezpečnosť: oprávnenia, audit, obmedzenie akcií (allowlist).

Pri RAG sa kvalita láme na detailoch. Najdôležitejšie technické „páky“ sú:

• delenie dokumentov na zmysluplné úseky,
• kvalita vyhľadania (koľko pasáží a akých),
• pravidlá práce so zdrojmi (odpovedaj len z toho, čo bolo nájdené),
• fallback správanie (ak zdroje neobsahujú odpoveď, priznaj to a navrhni ďalší krok).

Pri integráciách je kľúčová bezpečnosť. Držte sa minimálne týchto zásad:

• nástroje len na allowliste,
• vstupy validované a kontrolované podľa oprávnení,
• akcie auditované (kto, kedy, čo),
• limity na zneužitie (rate limits).

Kvalita a evaluácia: aby výsledok nebol len „drahší chatbot“

Dva projekty môžu používať rovnaký model a jeden bude pôsobiť profesionálne, druhý chaoticky. Rozdiel zväčša tvorí disciplína v testovaní.

Najpraktickejší prístup je mať vlastnú sadu otázok, ktoré opakovane spúšťate po každej úprave. Aby to bolo prehľadné, rozdeľte si testy aspoň do troch skupín:

• Bežné otázky (to, čo sa bude pýtať 80 % ľudí).
• Hraničné prípady (nejasné zadania, protichodné informácie, kombinované požiadavky).
• „Neviem“ otázky (kde má systém priznať, že bez zdrojov/údajov odpoveď nemá).

Pri RAG sledujte najmä to, či odpoveď skutočne vychádza zo zdrojov. Pri šablónach zase stabilitu formátu. Automatické metriky môžu pomôcť, ale vo vzdelávacom kontexte je často dôležitejšie hodnotiť čitateľnosť, presnosť, konzistentnosť a bezpečnostné správanie.

Náklady: ako o nich uvažovať bez preháňania

Náklady sa dajú pochopiť, keď si ich rozdelíte na tri časti:

• Používanie modelu (vstupné a výstupné tokeny pri bežných odpovediach).
• Vyhľadávanie v dokumentoch (embeddings, úložisko, retrieval – ak používate RAG).
• Tréning (iba ak robíte fine-tuning, typicky v iteráciách).

V praxi platí, že najlacnejšie zlepšenia bývajú tie, ktoré nesúvisia s tréningom: kratšie a lepšie inštrukcie, kvalitnejšie zdroje pre RAG a kontrola dĺžky odpovedí.

Pri vyššom objeme používateľov rastú náklady najmä s tým, ako často systém odpovedá, aké dlhé sú odpovede a koľko zdrojového textu ťahá do kontextu. Preto je dobré mať rozpočet naviazaný na reálne scenáre použitia, nie na optimistické odhady.

Súkromie, bezpečnosť a zodpovednosť

Ak pracujete s internými materiálmi alebo údajmi používateľov, musíte riešiť právny základ, minimalizáciu a prístupové práva. Z technického hľadiska je dôležité filtrovanie rizikových vstupov, testovanie obchádzania pravidiel a monitoring v produkcii.

Aby to neostalo len pri všeobecných frázach, zvyčajne stačí držať sa jasného minima:

• Minimalizácia dát: do promptu a logov posielajte len to, čo je potrebné.
• Prístupové práva: kto môže vidieť aké dokumenty a aké akcie môže spúšťať.
• Moderovanie/filtrácia: zachytiť rizikové vstupy a nežiaduce výstupy.
• Audit a logovanie: vedieť spätne dohľadať, čo sa stalo (najmä pri integráciách).
• Pravidelné testy: otázky na halucinácie, „jailbreak“ pokusy a citlivé scenáre.

Najpríjemnejšie prekvapenie býva, že mnoho problémov sa dá znížiť už dobrým návrhom: jasné hranice asistenta, pravidlá „opieraj sa o zdroje“ a pri nejasnosti sa pýtaj.

Kde má vlastný GPT najväčší zmysel vo vzdelávaní

Najlepšie scenáre sú tie, ktoré posilňujú učenie: vysvetľovanie pojmov, tvorba príkladov, spätná väzba k textom, tréning dialógov a prehľadné odpovede podľa učebných materiálov. Veľmi užitočný je aj administratívny FAQ asistent pre pravidlá, termíny a postupy.

Naopak, menej vhodné sú scenáre, ktoré priamo obchádzajú učenie – napríklad generovanie hotových riešení bez kontextu. Ak chcete pôsobiť profesionálne, je dobré tento rozdiel explicitne pomenovať.

Jednoduchý plán pilotu, ktorý nezahltí tím

Ak chcete postupovať pragmaticky, držte sa troch krokov. Je to dosť prehľadné na riadenie a zároveň dostatočne účinné na reálny výsledok.

1) Inštrukcie a šablóny

• nastavte rolu, hranice a formát výstupu,
• pripravte 20–30 testovacích otázok,
• dolaďte čitateľnosť a konzistentnosť.

2) Znalosti cez RAG / dokumenty

• vyberte najdôležitejšie materiály,
• upracte ich (nadpisy, krátke odseky, menej šumu),
• nastavte pravidlo odpovede „len podľa zdrojov“.

3) Fine-tuning (iba ak je jasný dôvod)

• vytvorte kvalitné ukážky pre stabilnú úlohu,
• pripravte eval set a regresné testy,
• trénujte a porovnávajte s baseline modelom.

Takýto postup vám dá dve dôležité veci: rýchly výsledok a zároveň jasný dôkaz, čo skutočne zlepšuje kvalitu.

Záver

Vlastný GPT nie je o tom, či použijete „najmodernejší model“, ale o tom, či správne navrhnete správanie asistenta, zdroje jeho odpovedí a spôsob, akým ho budete testovať a udržiavať. Ak začnete promptovaním a šablónami, potom pridáte znalosti cez RAG a tréning použijete len tam, kde má reálny zmysel, získate riešenie, ktoré je čitateľné, udržateľné a pripravené na reálne použitie.